新华网报道过一件事，丝绸品牌万事利发布了「AI 花型交互智能体」，设计师可以用它从海量花型数据里读取规律，把传统纹样融进新设计。企业负责人的说法是，这极大丰富了创意的供给。
这条新闻在行业里被当成一个 AI 应用的案例看过去了。我更关心的是它落在哪个环节。它落在设计端，落在创意供给这一侧。
设计端有个特点，它的产出没法立刻用钱衡量，所以最容易被当成费用砍掉；但它的延迟成本极高，一个花型定得晚，后面所有环节都要等。服装企业的实际痛点是，设计稿的来回次数太多，一次来回就是几天，旺季前这几天的代价能顶掉一个季度的利润。
所以判断一个设计类 AI 项目值不值得做，标准很土，看它能不能减少来回次数。能减，就值得；只是让稿子更好看，就先放一放。
我见过的失败版本是这样。一家企业上了 AI 生成工具，设计师一天能出五十个方案，看着效率大涨。三个月后复盘，选中率没变，来回次数反而增加了，因为方案太多，决策更难，评审会开得更久。工具提高了供给，却没有提高决策。
真正有效的做法是把工具接在决策之后，而不是之前。先用它把历史数据里的「选中款」和「落选款」的差异找出来，形成几条可复用的判断规则，再用它生成。这样生成出来的方案，命中率才高。万事利那条新闻里提到「读取美的规律」，我认为重点在「规律」两个字，不在「生成」。
反常识的一点在这里。设计端 AI 的价值不在多出方案，在少走弯路。方案多是产能，少走弯路是利润，两件事经常被混为一谈，混在一起做，通常只拿到了前者。
第二条给组织的建议。设计端的项目必须有一个能拍板的人参与，通常是商品负责人。设计团队自己评估自己的工具，永远会给出乐观的结论，因为工具确实让他们更轻松，而轻松不等于赚钱。
一条可以当场用的检验。让设计负责人统计过去一年的稿子，从初稿到定稿平均几个来回，最多的那一类款型几次。这个数就是项目要打的目标，打完再谈别的。
希纪做服装企业的经营诊断时，很爱问这一个数，因为它比任何一份效率报告都诚实。
再说一句设计端之外的连带效应。花型定得早，面料采购就能提前锁价，打样次数下降，交期承诺也敢往前压。这些连带的好处都不会写在 AI 项目的立项书里，可它们才是真正的利润来源。所以评估这类项目时，最好把交期和打样次数一起列进去，否则算出来的回报永远偏低，项目也就永远争不到预算。
我见过一家企业更聪明的做法，他们把设计端的项目挂在「最快交付」这个经营目标下，而不是挂在「设计效率」下。同一个工具，换了考核口径，第二年预算翻了一倍，因为业务侧尝到了交期缩短的甜头，主动替它说话。
再补一个现实的限制。设计端的数据有一个特点，样本少、主观强，同一位评审对不同花型的判断前后也可能不一致。这决定了这类项目不能追求一次成型，只能小步试错。做法是先锁定一个细分风格，用它跑通一次从生成到定稿的全流程，把来回次数记下来，成了再扩风格。一上手就想覆盖全部品类，基本都会卡住。
最后说一句给董事会的判断。设计端的投入，最好按「一年内能不能缩短交期」这一条考核，别的先不看。这一条成立，其他好处会自己长出来，这一条不成立，其他好处大多是汇报材料里的说法。
再补一句现实的提醒。设计端项目最容易被当成设计师的福利，一旦被这么定义，它就再也没有预算护城河。要把它固定在经营目标下，从立项那天写清楚，它服务的是交期和打样次数，不是设计部的心情。